La sismocardiografia (SCG) registra informazioni sul funzionamento meccanico del cuore (flusso sanguigno, contrattilità cardiaca, attività valvolare e altri parametri emodinamici come il volume sistolico) a partire dalla rilevazione delle vibrazioni del torace generate dal battito cardiaco. Tali informazioni integrano quelle registrate tramite elettrocardiografia (ECG). Il recente sviluppo di tecnologie in grado di registrare le vibrazioni sismiche utilizzando dispositivi leggeri e di dimensioni ridotte ha suscitato un crescente interesse per la SCG, essendo le malattie cardiovascolari la prima causa di morte al mondo. Al fine di effettuare diagnosi precoci di patologie cardiovascolari è necessario un monitoraggio continuo in ambienti non statici in quanto l’estrazione di eventi cardiaci dalla SCG durante il movimento consente la quantificazione della risposta del cuore allo stress fornendo una valutazione più completa rispetto al solo ECG. Tuttavia, l’efficacia della SCG è compromessa da artefatti da movimento. Un’altra sfida riguarda la posizione ottimale per la misura del segnale, la cui morfologia varia sulla superficie del torace a causa della propagazione e attenuazione spazio-temporale delle onde meccaniche, attenuando o amplificando le caratteristiche diagnostiche. In questa tesi è stato sviluppato un e-tattoo wireless per la misurazione sincrona di ECG e SCG. Il design elastico e sottile permette di posizionarlo nella cresta sternale con un’elevata adesione alla cute, facilitando il monitoraggio di alta qualità dei segnali. Elettrodi dry per l’ECG consentono il funzionamento continuo per più di 24 ore. Un’app personalizzata permette di controllare i segnali in tempo reale e marcare gli eventi rilevanti. È stato inoltre sviluppato un framework per la compensazione del movimento integrando filtraggio adattivo, ensemble average e empirical mode decomposition. Prima è stata condotta un’analisi sulla posizione di misura ottimale. Poi sono state condotte prove sperimentali in attività di camminata e ciclismo. Intervalli cardiaci chiave (tempo di eiezione ventricolare sinistra e periodo di pre-eiezione) sono stati estratti con successo dal sistema hardware-software mostrando concordanza con quelli di un monitor certificato FDA durante movimenti sostanziali. L’e-tattoo consente la misura affidabile di eventi cardiaci durante diverse attività per un periodo prolungato di tempo consentendo un avanzamento nelle capacità di monitoraggio ambulatoriale.

The escalating complexity of the hospital environment, propelled by technological advancements, necessitates a comprehensive exploration of the integration and management of diverse tools and technologies in healthcare settings. In this context, digital solutions, including the Internet of Things, robotics, mobile apps, sensors, and Artificial Intelligence (AI), play pivotal roles in enhancing treatment efficacy, ensuring patient safety, and optimizing resource utilization. The proliferation of health technologies demands a robust strategy for investigating factors affecting patient safety, necessitating interventions grounded in evidence-based approaches. This work delves into the critical analysis of manufacturer-recommended maintenance practices, urging Clinical Engineers and Health Technology Management professionals to adopt evidence-based methods. Real-world data emerges as a valuable resource, offering observational insights into the effectiveness and safety of health technologies, with implications for regulatory decision-making, compliance with the EU Medical Device Regulation, and post-market surveillance. Addressing these challenges, this work promotes the application of semantic ontologies to standardize data and enhance communication across healthcare systems. It highlights the role of semantic ontologies in managing the complexity of healthcare facilities, facilitating communication among various roles, and bridging gaps in data standardization. The central focus of the work is developing a framework employing Natural Language Processing, Deep Neural Networks, and Explainable AI to extract and classify adverse events related to Health Information Technologies. Leveraging records from the US Manufacturer and User Device Experience database, the framework aims to provide a novel approach for obtaining Real-World Evidence in Clinical Engineering, including Evidence-Based Maintenance, Health Technology Management, and Assessment.

Introduzione: La diagnosi delle lesioni pigmentate del volto risulta essere ancora molto difficile per i dermatologi. Una diagnosi accurata di queste lesioni è cruciale in quanto eviterebbe escissioni e trattamenti invasivi non necessari. Le lesioni benigne del volto sono molto simili a quelle maligne e tutte presentano un’alta eterogeneità di forme, colori e strutture. L’intelligenza artificiale (IA) potrebbe supportare i dermatologi nella pratica clinica. Ci sono già esempi di modelli di IA, soprattutto di deep learning (DL), in dermatologia. Le lesioni del volto costituiscono un sottogruppo particolare che spesso viene escluso dai database. Questo studio mira a valutare la performance di un modello di Convolutional Neural Network (CNN) nella diagnosi delle lesioni pigmentate del volto e a confrontarne i risultati con la diagnosi diretta dei clinici
Metodi: Studio multicentrico europeo. Sono state raccolte immagini dermoscopiche di lesioni cutanee del volto confermate istologicamente. Sono state incluse due diagnosi maligne, lentigo maligna e lentigo maligna melanoma, che sono state accorpate per sviluppare il modello, e cinque diagnosi benigne: nevi , cheratosi attiniche, lentigo solare, cheratosi seborroica e cheratosi lichenoidi seborroica. Queste immagini sono state fornite da dodici centri europei. Il modello CNN è una Resnet34 ed è stato effettuato una 5-fold cross validation
Risultati: Sono state raccolte e analizzate 1197 immagini. L’età media dei pazienti era di 65,45 ± 14,2 anni, e il genere era equamente distribuito. Circa il 40% del database era costituito da casi maligni. Ll modello CNN ha mostrato una sensibilità elevata per la diagnosi di melanoma, con una performance consistente tra training, validation e testing. Nel confronto tra la risposta del modello e la risposta dei partecipanti, si osserva una maggiore sensibilità, di circa il 23%, del modello. Le lesioni SLK sono quasi interamente riconosciute, ma sono poche rispetto alle altre categorie. Al contrario, le sensibilità per PAK, SK e SL sono comparabili tra CNN e le sensibilità dei dermatologi.
Conclusioni: I modelli di IA sono ottimi strumenti di supporto alle decisioni, nonostante si debba ancora affrontare sfide per l’integrazione nella pratica clinica. Specialmente i modelli di deep learning basati sulle immagini hanno e avranno sempre di più un ampio utilizzo in campo dermatologico in quanto la diagnosi si basa sull’osservazione di immagini provenienti da tecniche non invasive.

Health 4.0 is marking a new era in healthcare, powered by engineering and technical advances such as smart sensors and artificial intelligence. These technologies improve patient outcomes by allowing for continuous health monitoring and boosting the precision of clinical operations, transforming care quality and safety.
Advancing along this path, the Ph.D. thesis investigates the role of innovative fiber Bragg grating (FBG)-based sensing solutions in physiological monitoring and patient safety enhancement, which are paramount in modern healthcare. It focuses on the development, fabrication, metrological assessment, and validation of FBG-based systems. These systems are designed for critical applications, including monitoring respiratory rate (RR) and heart rate (HR), measuring force during epidural procedures, and tracking temperature in hyperthermia treatments (HTs) for cancer removal.
Regarding physiological monitoring, the thesis describes a novel mattress based on sensing elements consisting of FBGs encapsulated in silicone rubber to measure RR and HR over time. The original solution presents a sandwich structure made of different layers of silicone and nitrile butadiene rubbers, ensuring robustness, compactness, and high comfortability of the device. It evidences good performance in detecting RR and HR, even across different sleeping postures.
As regards the enhancement of patient safety, the thesis first discusses the development of new devices based on FBG technology in epidural anesthesia. It introduces both wearable and non-wearable devices designed to enhance the accuracy of epidural space (ES) detection. One device is tailored to fit the syringe plunger, while another is wearable directly on the clinician’s thumb. These innovations aim to assist anesthesiologists, thus minimizing the risk of adverse events. Secondly, the thesis explores the use of FBGs for temperature monitoring in HTs, detailing the design, development, characterization, and validation of custom-made multipoint systems on ex vivo organs like liver, thyroid, and bone. It emphasizes the real-time capabilities of FBG sensors in temperature measurement, crucial for HT safety and success, and demonstrates the sensors’ ability to reconstruct temperature maps, offering valuable real-time feedback to clinicians and highlighting the potential of FBGs to improve patient care and treatment outcomes.

A significant proportion of the global burden of disease in children is contributed by neurological conditions since they contribute to premature mortality and years lived with disability. There are more than 600 neurological disorders that can occur throughout a person’s lifetime and 50-90% of neurodevelopmental disorder causes occur prenatally. Conditions such as cerebral palsy underscore the paramount importance of timely diagnosis. Fetal behavioral patterns mirror the developmental processes of the fetal central nervous system (CNS). Analysis of fetal behavior by 4D ultrasound, standardized in clinical practice, includes the Kurjak Antenatal Neurodevelopmental Test (KANET), renowned for high accuracy but dependent on skilled medical professionals’ availability.
In the intricate domain of fetal health, this doctoral thesis reveals the transformative potential of Artificial Intelligence (AI) in the early detection of neurological disorders in unborn infants. By integrating cutting-edge deep learning and ultrasound, this work aspires to automate the KANET test and fetal neurodevelopmental risk assessment.
The dataset, consisting of 10452 ultrasound images, used in the study was meticulously curated to reflect the multifaceted spectrum of fetal neurobehavior and neurodevelopment. Convolutional Neural Networks (CNNs) lie at the technological core of the project, finely tuned to differentiate among the subtle intricacies inherent within fetal movements captured in 4D ultrasound. The analysis is centered around the third trimester (33 ± 5 weeks), where the KANET serves as the medical foundation of this research.
Design and development of a custom CNN architecture capable of grasping all intricacies of the dataset was a tedious process to create a state-of-the-art trustworthy AI system for neurodevelopmental risk assessment. The model achieved notable sensitivity, specificity, precision, accuracy, F1 score, and MCC of 0.95, 0.99, 0.96, 0.94, 0.96, and 0.94, respectively.
While acknowledging limitations such as class imbalance and the absence of differentiation between specific facial expressions, the study demonstrates the potential of AI in enhancing prenatal care. Future work will involve expanding the dataset, conducting real-time clinical validations, and further refining the model. The research holds implications for improving outcomes for affected children and making advanced diagnostic capabilities accessible in diverse healthcare settings.

Il diabete è una malattia complessa, in aumento, e il cui peso socioeconomico copre il 10% della spesa sanitaria globale. L’obiettivo della ricerca è stato quello di sviluppare tecnologie digitali innovative finalizzate a migliorare la prevenzione della patologia e a ottimizzarne diagnosi e terapia avvalendosi di due fonti di dati metabolici: test di tolleranza al glucosio/pasto (challenge test) e dati di monitoraggio continuo del glucosio (CGM). Per lo sviluppo di tali tecnologie si è seguito un approccio ibrido, definito come feature-based machine learning, che combina metodologie più tradizionali basate su modelli matematici di sistemi fisiologici con approcci più innovativi legati a metodologie di intelligenza artificiale. Per elaborare i dati da challenge test sono stati utilizzati sia modelli matematici sviluppati ex novo che già disponibili, al fine di estrarre parametri aventi chiaro significato fisiologico (biodisponibilità, clearance dell’insulina, sensibilità delle cellule α del pancreas). Nel primo progetto, svoltosi nell’ambito della terapia farmacologica, si è affrontato il problema della quantificazione di insulina esogena che arriva in circolo (biodisponibilità) attraverso un approccio in-silico basato sulla modellizzazione dinamica che ha permesso la stima della biodisponibilità individuale; tale approccio apre nuovi scenari nel campo della medicina di precisione volti a favorire la personalizzazione dei regimi terapeutici. Nel secondo progetto, si è sviluppato un sistema di prevenzione digitale nel campo del diabete gestazionale volto a identificare le donne a maggior rischio di progressione verso il diabete di tipo 2; un risultato importante è stato individuare quali features hanno un ruolo rilevante in tale progressione. Circa i dati CGM, vista la mancanza di linee guida nella loro caratterizzazione, si è svolto un lavoro mirato a standardizzare il calcolo di molteplici features dette “metriche”. Nel terzo progetto quindi il potenziale di tali metriche è stato esplorato nella formulazione di approcci feature-based, gettando le basi per uno strumento di prevenzione e gestione integrato per: i) diagnosi innovativa e identificazione precoce di complicanze (esempio, retinopatia diabetica) ii) previsione di eventi ipoglicemici dovuti a varie cause come emodialisi o esercizio fisico; in quest’ultimo caso è stata formulata una metrica dedicata, denominata HIKE, che classifica il rischio che si verifichi ipoglicemia indotta da esercizio fisico.